基于天气分型的短期光伏功率组合预测方法

叶林; 裴铭; 路朋; 赵金龙; 何博宇

doi:10.7500/AEPS20200613003

您当前的位置：

首页 >

文章列表页 >

基于天气分型的短期光伏功率组合预测方法

新能源电力系统预测技术及其应用 | 更新时间：2025-06-16

- 基于天气分型的短期光伏功率组合预测方法
- Combination Forecasting Method of Short-term Photovoltaic Power Based on Weather Classification
- 电力系统自动化-方正平台 2021年45卷第1期页码：44-54
- 作者机构：
  
  中国农业大学信息与电气工程学院，北京市 100083
- 作者简介：
  
  叶林(1968—)，男，通信作者，教授，博士生导师，德国洪堡学者，主要研究方向：电力系统自动化、新能源发电技术。E-mail：yelin@cau.edu.cn
  裴铭(1997—)，男，硕士研究生，主要研究方向：电力系统运行与控制、新能源发电技术。E-mail：S20193081349@cau.edu.cn
  路朋(1989—)，男，博士研究生，主要研究方向：电力系统运行与控制、新能源发电技术。E-mail：lupeng@cau.edu.cn
- 基金信息：
  
  国家重点研发计划资助项目(2018YFB0904200);国家电网有限公司科技项目(SGLNDKOOKJJS1800266)
- DOI：10.7500/AEPS20200613003
  中图分类号：
- 收稿日期：2020-06-13，
  
  修回日期：2020-10-10，
  
  网络出版日期：2020-12-25，
  
  纸质出版日期：2021-01-10
- 稿件说明：
移动端阅览
叶林,裴铭,路朋等.基于天气分型的短期光伏功率组合预测方法[J].电力系统自动化,2021,45(1):44-54.

YE Lin,PEI Ming,LU Peng,et al.Combination Forecasting Method of Short-term Photovoltaic Power Based on Weather Classification[J].Automation of Electric Power Systems,2021,45(1):44-54.
叶林,裴铭,路朋等.基于天气分型的短期光伏功率组合预测方法[J].电力系统自动化,2021,45(1):44-54. DOI： 10.7500/AEPS20200613003.

YE Lin,PEI Ming,LU Peng,et al.Combination Forecasting Method of Short-term Photovoltaic Power Based on Weather Classification[J].Automation of Electric Power Systems,2021,45(1):44-54. DOI： 10.7500/AEPS20200613003.

摘要

由于光伏功率波动特征与天气类型紧密相关，且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题，文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先，基于气象因素与光伏功率波动特征的关联性，将天气过程划分为5种类型，并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后，利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后，建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性，对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明，文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。

Abstract

The fluctuation characteristics of the photovoltaic (PV) power are closely related to the weather types

and the short-term PV power forecasting has problems of low forecasting accuracy in the power fluctuation process and the weak correlation between meteorological factors and the power fluctuation process. This paper proposes a combination forecasting method of short-term PV power based on weather classification. Firstly

the weather process is divided into five types based on the meteorological factors and fluctuation characteristics of PV power. Based on the variational mode decomposition algorithm

the PV power is decomposed into the clear-sky-like process and the fluctuation process. Secondly

the Granger causality algorithm is used to select the key meteorological factors

which are closely related to the fluctuation process of PV power with various weather types. Finally

a combined forecasting model of short-term PV power based on weather classification is established. The model fully considers the specificity of the deep learning algorithm

separately forecasts the clear-sky-like process and the fluctuation process of PV power with various weather types. The simulation results show that the proposed short-term PV power forecasting method can significantly improve the accuracy of the short-term PV power forecasting.

关键词

Keywords

references

龚莺飞，鲁宗相，乔颖，等 . 光伏功率预测技术［J］. 电力系统自动化， 2016 ， 40 （ 4 ）： 140 - 151 .

GONG Yingfei ， LU Zongxiang ， QIAO Ying ， et al . An overview of photovoltaic energy system output forecasting technology ［J］. Automation of Electric Power Systems ， 2016 ， 40 （ 4 ）： 140 - 151 .

GUERMOUI M ， MELGANI F ， GAIRAA K ， et al . A comprehensive review of hybrid models for solar radiation forecasting ［J］. Journal of Cleaner Production ， 2020 ， 258 .

ZHANG X N ， FANG F ， LIU J Z . Weather-classification-MARS-based photovoltaic power forecasting for energy imbalance market ［J］. IEEE Transactions on Industrial Electronics ， 2019 ， 66 （ 11 ）： 8692 - 8702 .

KIM G G ， CHOI J H ， PARK S Y ， et al . Prediction model for PV performance with correlation analysis of environmental variables ［J］. IEEE Journal of Photovoltaics ， 2019 ， 9 （ 3 ）： 832 - 841 .

叶林，陈政，赵永宁，等 . 基于遗传算法-模糊径向基神经网络的光伏发电功率预测模型［J］. 电力系统自动化， 2015 ， 39 （ 16 ）： 16 - 22 .

YE Lin ， CHEN Zheng ， ZHAO Yongning ， et al . Photovoltaic power forecasting model based on genetic algorithm and fuzzy radial basis function neural network ［J］. Automation of Electric Power Systems ， 2015 ， 39 （ 16 ）： 16 - 22 .

LONG Huan ， ZHANG Zijun ， SU Yan . Analysis of daily solar power prediction with data-driven approaches ［J］. Applied Energy ， 2014 ， 126 ： 29 - 37 .

国家能源局 . 中华人民共和国能源行业标准：光伏发电站功率预测系统技术要求：NB/T 32011—2013 ［S］. 北京：新华出版社， 2014 .

National Energy Administration . Energy standard of the People’s Republic of China： technical requirement of power forecasting system for PV power station： NB/T 32011—2013 ［S］. Beijing ： Xinhua Publishing House ， 2014 .

ISHII T ， OTANI K ， TAKASHIMA T ， et al . Solar spectral influence on the performance of photovoltaic （PV） modules under fine weather and cloudy weather conditions ［J］. Progress in Photovoltaics： Research and Applications ， 2013 ， 21 （ 4 ）： 481 - 489 .

LIMA F J L ， MARTINS F R ， PEREIRA E B ， et al . Forecast for surface solar irradiance at the Brazilian northeastern region using NWP model and artificial neural networks ［J］. Renewable Energy ， 2016 ， 87 ： 807 - 818 .

MOHD SHAH A S B ， YOKOYAMA H ， KAKIMOTO N . High-precision forecasting model of solar irradiance based on grid point value data analysis for an efficient photovoltaic system ［J］. IEEE Transactions on Sustainable Energy ， 2015 ， 6 （ 2 ）： 474 - 481 .

CHEN C S ， DUAN S X ， CAI T ， et al . Online 24-h solar power forecasting based on weather type classification using artificial neural network ［J］. Solar Energy ， 2011 ， 85 （ 11 ）： 2856 - 2870 .

YANG H T ， HUANG C M ， HUANG Y C ， et al . A weather-based hybrid method for 1-day ahead hourly forecasting of PV power output ［J］. IEEE Transactions on Sustainable Energy ， 2014 ， 5 （ 3 ）： 917 - 926 .

WANG F ， ZHEN Z ， MI Z Q ， et al . Solar irradiance feature extraction and support vector machines based weather status pattern recognition model for short-term photovoltaic power forecasting ［J］. Energy and Buildings ， 2015 ， 86 ： 427 - 438 .

JAMAL T ， CARTER C ， SCHMIDT T ， et al . An energy flow simulation tool for incorporating short-term PV forecasting in a diesel-PV-battery off-grid power supply system ［J］. Applied Energy ， 2019 ， 254 ： 23p .

张倩，马愿，李国丽，等 . 频域分解和深度学习算法在短期负荷及光伏功率预测中的应用［J］. 中国电机工程学报， 2019 ， 39 （ 8 ）： 2221 - 2230 .

ZHANG Qian ， MA Yuan ， LI Guoli ， et al . Applications of frequency domain decomposition and deep learning algorithms in short-term load and photovoltaic power forecasting ［J］. Proceedings of the CSEE ， 2019 ， 39 （ 8 ）： 2221 - 2230 .

唐雅洁，林达，倪筹帷，等 . 基于XGBoost的双层协同实时校正超短期光伏预测［J/OL］. 电力系统自动化［ 2020-08-21 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html .

TANG Yajie ， LIN Da ， NI Chouwei ， et al . XGBoost based bi-layer collaborative real-time calibration for ultra-short-term photovoltaic prediction ［J/OL］. Automation of Electric Power Systems ［ 2020-08-21 ］. http：//kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html http://kns.cnki.net/kcms/detail/32.1180.TP.20200820.1722.008.html .

管霖，赵琦，周保荣，等 . 基于多尺度聚类分析的光伏功率特性建模及预测应用［J］. 电力系统自动化， 2018 ， 42 （ 15 ）： 24 - 30 .

GUAN Lin ， ZHAO Qi ， ZHOU Baorong ， et al . Multi-scale clustering analysis based modeling of photovoltaic power characteristics and its application in prediction ［J］. Automation of Electric Power Systems ， 2018 ， 42 （ 15 ）： 24 - 30 .

BEHERA M K ， NAYAK N . A comparative study on short-term PV power forecasting using decomposition based optimized extreme learning machine algorithm ［J］. Engineering Science and Technology ， 2020 ， 23 （ 1 ）： 156 - 167 .

短期天气预报： GB/T 21984—2017 ［S］. 北京：中国标准出版社， 2017 .

Short-term weather forecast ： GB/T 21984—2017 ［S］. Beijing ： China Standard Press ， 2017 .

赵永宁，叶林，朱倩雯 . 风电场弃风异常数据簇的特征及处理方法［J］. 电力系统自动化， 2014 ， 38 （ 21 ）： 39 - 46 .

ZHAO Yongning ， YE Lin ， ZHU Qianwen . Characteristics and processing method of abnormal data clusters caused by wind curtailments in wind farms ［J］. Automation of Electric Power Systems ， 2014 ， 38 （ 21 ）： 39 - 46 .

HAN L ， ZHANG R ， WANG X ， et al . Multi-step wind power forecast based on VMD-LSTM ［J］. IET Renewable Power Generation ， 2019 ， 13 （ 10 ）： 1690 - 1700 .

WANG J ， ZHONG H ， LAI X ， et al . Exploring key weather factors from analytical modeling toward improved solar power forecasting ［J］. IEEE Transactions on Smart Grid ， 2019 ， 10 （ 2 ）： 1417 - 1427 .

CHOPRA R ， MURTHY C R ， RANGARAJAN G . Statistical tests for detecting granger causality ［J］. IEEE Transactions on Signal Processing ， 2018 ， 66 （ 22 ）： 5803 - 5816 .

OSPINA J ， NEWAZ A ， FARUQUE M O . Forecasting of PV plant output using hybrid wavelet-based LSTM-DNN structure model ［J］. IET Renewable Power Generation ， 2019 ， 13 （ 7 ）： 1087 - 1095 .

SHARADGA H ， HAJIMIRZA S ， BALOG R S . Time series forecasting of solar power generation for large-scale photovoltaic plants ［J］. Renewable Energy ， 2020 ， 150 ： 797 - 807 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于功率重构和时序特性约束的长预见期光伏集群功率预测

基于孤立森林、模态分解和神经网络的空间负荷态势感知